Salah satu dampak dari pertambahan populasi manusia di muka bumi merupakan permintaan pangan yang terus bertambah. Tantangannya, luas lahan pertanian menjadi berganti fungsi yaitu pemukiman sebagai tempat tinggal manusia. Pemecahan masalah yang bisa diterapkan salah satunya merupakan teknologi hidroponik yang bisa dijalankan pada lahan yang kecil sekalipun.
Kenaikan produksi akan sejalan dengan keuntungan yang diperoleh pada teknologi hidroponik. Maka dari itu, regu peneliti yang terdiri dari Maman Budiman, Ph. D. ( KK Fisika Instrumentasi serta Komputasi, FMIPA ITB), Dokter. Nina Siti Aminah ( KK Fisika Instrumentasi serta Komputasi, FMIPA ITB), serta Ant. Ardath Kristi, S. T., ( Lembaga Ilmu Pengetahuan Indonesia) dan 2 mahasiswanya, Efraim Partogi serta Prianka Anggara, melaksanakan riset dengan merancang purwarupa sistem instrumentasi berbasis Internet of Things ( IoT) pada pertanian berteknologi hidroponik.
Melalui sistem ini, parameter fisis dipantau agar mengenali pengaruh proses produksi agar bisa dikendalikan. Tidak cuma itu, regu peneliti memakai pula Machine Learning ( ML) agar bisa diprediksi hasil produksi dari hidroponik yang diuji. Program ML yang digunakan merupakan algoritma dari random forest regression, linear regression, serta polynomial regression.
Tumbuhan yang diteliti merupakan pakcoy atauBrassica rapa subsp. Chinensis serta kangkung atau Ipomoea aquatic dengan sistem hidroponik Nutrient Film Technique( NFT), dilansir dari halaman LPPM ITB.
“ Riset ini dijalankan pada hidroponik‘ Blessing Farm’ di Kabupaten Bandung Barat, Jawa Barat. Intensitas cahaya yang digunakan untuk riset kali ini diatur sedemikian rupa dengan atap, agar intensitas cahaya yang masuk berbeda dengan yang keluar. Sementara sistem nutrisi bertumpu pada satu tangki nutrisi untuk semua tumbuhan,” ucap regu peneliti.
Agar bisa memantau parameter fisis dari perkembangan tumbuhan hidroponik, dibutuhkan sistem instrumentasi yang tersusun dari sensor serta komponen. Semua sensor dihubungkan dengan mikrokontroler dimana masing- masingnya mempunyai modul wi- fi dengan tujuan menghubungkan sensor ke server. Setelah itu, informasi yang diperoleh diolah serta disimpan di basis data dan dibagi jadi data training serta data testing. Data training dipergunakan untuk membuat model prediksi, yang setelah itu diuji performanya memakai data testing. Bila tingkatan performa belum cocok dengan kriteria performa yang di butuhkan, maupun bila ada akumulasi informasi, maka dari itu dilaksanakan training kembali sampai model bisa menggapai tingkatan performa yang dibutuhkan.
Dari data temperatur udara serta larutan, intensitas cahaya, kelembapan hawa, intensitas cahaya, sampai total dissolved solid ( TDS) yang diamati sebagai variabel independen, diperoleh luas serta banyaknya daun dan tingginya tumbuhan sebagai variabel dependen yang diprediksi.
Koefisien determinasi paling tinggi di prediksi proses produksi tumbuhan pakcoy paling tinggi diperoleh dari program algoritma random forest regression senilai 0, 933. Sementara itu, diperoleh data variabel independen pada produksi pakcoy serta kangkung yang sangat pengaruhi perkembangan tumbuhan yang dengan begitu bisa jadi variabel kontrol yang didapat, merupakan TDS serta intensitas cahaya. Tidak berakhir disini, sistem control TDS hendak dibuat dari hasil sebagian model dengan mempraktikkan program random forest regression. Oleh karena itu, produksi daun bisa berkembang secara maksimal pada bermacam-macam cuaca.
Disadur dari Sumber itb.ac.id